GUIA MATLAB

SOLUCION DE ECUACIONES NO LINEALES Y SISTEMAS

LINEALES

En este taller usaremos el programa MATLAB con el fin de resolver ecuaciones no lineales
y sistemas de ecuaciones lineales, de manera rápida y fácil. Se usarán tanto las herramientas
propias de MATLAB, como rutinas creadas por el usuario que nos llevarán paso a paso a la
solución de problemas.

PRIMERA PARTE: SOLUCIÓN DE ECUACIONES NO LINE-

ALES DE LA FORMA F (X) = 0

Comencemos revizando unos fáciles ejemplos que nos mostrarán cuales son los pasos para re-
solver una ecuación no lineal empleando MATLAB, por medio de rutinas creadas por el usuario
y que con anterioridad deben ser creadas por usted en la forma como se explicó en la inducción
(y en la guía que aparece en la página del curso).

• Ejemplo: Determine valores aproximados de las soluciones positivas de la ecuación

1 ³x´
exp − sin (x) = 0
2 3

1
¡x¢
Solución: Lo primero que debemos hacer es graficar la función f (x) = 2 exp 3 −sin (x)
para identificar las raices de la ecuación, para ello empleamos la instruccion fplot que
permite graficar funciones simbólicas. La sintaxis es:

fplot( ‘funcion’,[xmin xmax]) = grafica la función para los valores de x en el intervalo

[xmin,xmax].

fplot( ‘funcion’,[xmin xmax ymin ymax]) = grafica la función para los valores de x
en el intervalo [xmin,xmax] y las imágenes comprendidas en el intervalo [ymin,ymax].

1
Ambas instrucciones permiten agregar color adicionando ’color’ antes de cerrar el parén-
tesis. Para distinguir las raíces adicionamos la instrucción gird on que activa una
cuadrícula a la gráfica de la función.

Ejecutamos las siguientes instrucciones

fplot(‘0.5*exp(x/3)-sin(x)’,[-10 10 -1 1]), grid on)

fplot(‘0.5*exp(x/3)-sin(x)’,[0 2 -0.3 0.3]), grid on)

con la primera identificamos el intervalo donde se encuentran las raices positivas y con el
segundo obtenemos la figura:

Para aproximar las raices podemos emplear el método de Bisección en los intervalos [0.5, 1]
y [1.5, 2], clamamente la función es continua por ser la suma de funciones continuas
(exponencial y trigonometrica). También podemos emplear el método de Newton (puesto
que la función, la primera y la segunda derivada son continuas en todos los reales), pero
debemos tomar el valor inicial muy cerca de la raíz para no caer en una zona de divergencia
de la sucesión (es decir, que una aproximación sea el valor donde la función alcanza el
mínimo).

Para empezar, apliquemos el método de bisección con una tolerancia de 10−6 (es decir,

2
queremos que cuando la distancia entre dos aproximaciones sea menor a 10−6 paremos),
para ello utilizamos la función "bisección" en MATLAB, que debe ser creada por el usuario
de la misma manera como se indicó en la inducción (Una muestra sencilla de un programa
típico se incluye al final del la guía). Digitando

biseccion(’0.5*exp(x/3)-sin(x)’,0.5,1,0.000001)

en la ventana Commad Window y oprimiento la tecla ENTER, obtenemos los siguientes

resultados

3
Y así mismo para la otra aproximación

Para emplear el método de Newton tomaremos la misma tolerancia para la distancia entre
las aproximaciones y emplearemos una función del método de Newton en MATLAB, que
debe ser creada por el usuario (una muestra está al final la guía). Si digitamos en la
ventana Command Window:

newton(’0.5*exp(x/3)-sin(x)’,0,0.000001)

4
 obtenemos los siguientes resultados para la primer raíz

y para la segunda raíz

• Ejemplo: El factor de fricción f para los fluidos turbulentos en una tubería está dado
por µ ¶
1 e 9.35
√ = 1.14 − 2 log10 + √
f D Re f

llamada correlación de Colebrook, donde Re es el número de Reynolds, e es la aspereza

de la superficie de la tubería y D es el diámetro de la tubería. Resolver la ecuación para
f utilizando el método de punto fijo para los siguientes casos:

1. (a) D = 0.1m, e = 0.0025m, Re = 3 × 104

(b) D = 0.1m, e = 0.0005m, Re = 5 × 106

Solución: Si queremos resolver el problema empleando el método de punto fijo debemos

5
llevar la ecuación a la forma
x = g (x) ,

1
para ello llamemos x = √ , y así
f
µ ¶
e 9.35
x = 1.14 − 2 log10 + x
D Re

luego la función: µ ¶
e 9.35
g (x) = 1.14 − 2 log10 + x .
D Re

puede ser una posible función de iteración de punto fijo para f .

Como queremos encontrar un punto fijo graficamos la función g y la recta y = x para

tomar un valor inicial. Empecemos con el caso (a) donde
µ ¶
0.0025 9.35
g (x) = 1.14 − 2 log10 + x
0.1 3 × 104
¡ ¢
g (x) = 1.14 − 2 log10 0.025 + 3.1167 × 10−4 x

Para graficar utilizamos las instrucciones

fplot(’1.14-2*log10*(0.025+3.1167*10^(-4))’,[-2 2 -2 2]),grid on

hold on,fplot(’1*x’,[-2 2 -2 2])

donde hold on permite graficar varias funciones en un mismo sistema coordenado.

6
Obtenemos:

De la gráfica anterior podemos ver que la función g cumple las condiciones del Teorema
Fundamental de Punto Fijo (¿dónde y por qué?). Para emplear el método tomaremos la
misma tolerancia para la distancia entre las aproximaciones y emplearemos una función
de punto fijo para MATLAB creada por el usuario (un ejemplo de ésta se muestra al final
de la guía). Si digitamos:

puntofijo(’1.14-2*log10*(0.025+3.1167*10^(-4))’,1,0.000001)

obtenemos

7
 luego el valor para f lo obtenemos de

1
√ = 1.0850701544
f
f = (1.0850701544)−2

f = 0.84934544855

En forma similar se resuelve para el caso (b).

De manera más fácil podemos utilizar las rutinas internas de MATLAB, que encuentran
raíces de ecuaciones no lineales. Algunas de estas son:

• fzero(fun,x0): Encuentra una raíz de la función f (x) = f un, que debe ser definida
antes o allí mismo con la instrucción inline. Esta instrucción busca un cero de fun cerca
del punto x0 especificado por el usuario, y se basa en los métodos de la secante, bisección
e interpolación cuadrática inversa, por lo que la función ingresada debe ser continua.

Por ejemplo, para el ejemplo 1 podemos digitar:

>> x=fzero(inline(’0.5*exp(x/3)-sin(x)’),0)

con la cual obtenemos: x = 6.7721e-001. Que es el mismo resultado que se obtuvo con
las rutinas de bisección y Newton que se usaron en el ejemplo 1.

• roots(p): Encuentra todas las raíces de un polinomio p, tanto reales como complejas.
Para usarla es necesario tener en cuenta que en MATLAB, un polinomio se representa
por medio de un vector de coeficientes.

Por ejemplo, para calcular todas las raíces del polinomio P (x) = x5 + 3x3 − 2x + 1,
debemos digitar la instrucción:

>> r=roots([1 0 3 0 -2 1]) (donde el vector [1 0 3 0 -2 1] representa al

polinomio P).

con la cual obtenemos:

r=

8
 -3.3865e-002 +1.8892e+000i

-3.3865e-002 -1.8892e+000i

-9.0261e-001

4.8517e-001 +2.7374e-001i

4.8517e-001 -2.7374e-001i

que como vemos coincide con lo que esperábamos: Las raíces complejas siempre vienen
por pares conjugados y hay al menos una raíz real.

SEGUNDA PARTE: SOLUCION DE SISTEMAS DE ECUA-

CIONES NO LINEALES

Queremos resolver un sistema de la forma F (X) = 0, donde F es un campo vectorial. Para ello
emplearemos el método de Newton para Sistemas no lineales; para empezar consideraremos el
caso de un sistema de dos ecuaciones no lineales.
Ejemplo: Dado el sistema no lineal

8x − 4x2 + y 2 + 1
x =
8
2x − x2 + 4y − y 2 + 3
y =
4

encuentre una aproximación a la solución del sistema.

Solución: Para resolver el sistema primero lo llevamos a la forma F (X) = 0, para ello
expresamos cada ecuación igualada a cero

4x2 − y2 − 1 = 0

−2x + x2 + y2 − 3 = 0

9
definimos

f1 (x, y) = 4x2 − y 2 − 1

f2 (x, y) = −2x + x2 + y2 − 3

así

F : R2 → R2  
f1 (x, y)
X = (x, y) → F (X) =  .
f2 (x, y)

queremos resolver F (X) = 0 por el método de Newton para sistemas donde la ecuación de
iteración está dada por:

³ ´ ³ ´
X (n+1) = X (n) + H (n) con H (n) = −JF X (n) F X (n)

Ahora realizamos una gráfica para identificar un valor inicial, empleando la instrucción de
Matlab para graficar funciones implicitas contour. Antes de esta instrucción es necesario
crear un arreglo bidimensional para la gráfica con la instrucción meshgrid. Si ejecutamos las
instrucciones

»xa=-3:0.1:3; ya=-3:0.1:3; [x,y]=meshgrid(xa,ya);

»f1=4*x.^2-y.^2-1; f2=-2*x+x.^2+y.^2-3;
»contour(x,y,f1,[0,0],’k’); hold on; grid on; contour(x,y,f1,[0,0],’k’);

10
obtenemos

en la primera línea indicamos la región inicial sobre la cual queremos ver las graficas de las
funciones y generamos el arreglo bidimensional sobre el cual aparecerá la gráfica, en la segunda
línea definimos las funciones que queremos graficar (las operaciones deben ir acompañadas por
punto ya que son operaciones entre vectores) y en la tercera línea aparece la instrucción de
contour para graficar, hold on para que ambas esten en el mismo plano y grid on para poder
tomar los valores iniciales.

De la gráfica vemos que existen 4 soluciones, busquemos una de ellas, tomando por valor
inicial x0 = −0.8 y y0 = −1, es decir, X (0) = [−0.8, −1]T . Aplicamos el método de Newton
no Lineal con una tolerancia de 10−6 (es decir, queremos que cuando la distancia entre dos
aproximaciones sea menor a 10−6 paremos), para ello utilizamos la función de newtonnl en
matlab (esta al final del la guía) digitando

newtonnl(4*x^2-y^2-1,-2*x+x^2+y^2-3,[-0.8,-1]’,0.000000001,10)

11
obtenemos los siguientes resultados

salió porque cumplio la condición de la tolerancia.

TERCERA PARTE: SOLUCION DE SISTEMAS DE ECUA-

CIONES LINEALES

En esta parte veremos como usar MATLAB para resolver sistemas de ecuaciones lineales. Al
igual que en la sección anterior usaremos tanto las rutinas internas de MATLAB como rutinas
propias creadas por el usuario, como las que se encuentran disponibles en la guía básica de
MATLAB que se encuentra en la página del curso. Pero además usaremos una combionación
de los dos procedimientos.

Comencemos con las fáciles y sencillas rutinas internas de MATLAB: Si queremos resolver
un sistema de ecuaciones lineales, lo primero que debemos hacer es escribirlo en la forma
matricial Ax = b. Por ejemplo consideremos el sistema de ecuaciones:

2x − y − z = 2

2x + 3y − z = 6

x + 2y + 3z = 15

Este sistema se puede escribir en la forma Ax = b con:

     
2 −1 −1 x 2
     
     
A= 2 3 −1  x= y  b= 6 
     
1 2 3 z 15

12
 Para resolverlo en MATLAB, primero definimos la matriz A y el vector b, así:

>> A=[2 -1 -1; 2 3 -1; 1 2 3]

>> b=[2 6 15]’ (donde el símbolo ’ indica que queremos la transpuesta de este vector,

para que sea un vector columna)

Ya habiendo definido la matriz A y el vector b, sólo resta usar una de las rutinas de MAT-
LAB. Según nuestros conocimientos, si queremos encontrar un vector x tal que Ax = b, entonces
ese vector debe ser x = A−1 b. Esto puede ser hecho en MATLAB así.

>> x = inv(A)*b

Con lo cual obtenemos:

x=
3.1429e+000
1.0000e+000
3.2857e+000

Otra manera de llegar a esta solución es escribiendo Aˆ(−1) en lugar de inv(A); sin embargo
la manera más sencilla de hacerlo en MATLAB es escribiendo:

>> x = A\b

donde el símbolo \ (división a izquierda), se usa en MATLAB para obtener la solución del
problema Ax = b.

De los varios métodos explicados hasta aquí para la solución de sistemas lineales usando
MATLAB, el que más se usa es el último, principalmente porque llega a la solución sin necesidad
de hallar la inversa de la matriz A (en realidad se usa factorización QR), lo que desde el punto
de vista computacional es bastante ventajoso. Se puede observar que el uso de este último
método procedimiento mejora la velocidad de cálculo de MATLAB en cerca de un 50%.

Por último sólo resta decir que en el caso de trabajar con matrices y vectores de componentes
enteras o racionales, es conveniente expresar los resultados de esta misma manera para evitar

13
la pérdida de cifras significativas. En MATLAB esto se puede hacer con la instrucción format
rat, con la que se aproximan todos los resultados a la fracción más cercana. Para nuestro
ejemplo:

>> format rat

>> x = A\b

Produce el resultado:

x=
22/7
1
23/7

que es la solución exacta del sistema lineal.

Como el objetivo de nuestro curso es usar técnicas iterativas, como los métodos de Jacobi,
Gauss-Seidel y SOR, para llegar a la solución de un sistema de ecuaciones lineales, ahora veamos
como usar MATLAB de esta manera. Recordemos que todos los métodos iterativos vistos se
basan en el problema de punto fijo:

¡ ¢
X (k+1) = I − M −1 A X (k) + M −1 b k = 0, 1, 2, ...

donde:

• Si M = Diagonal de A, entonces: I − M −1 A = Tj (Matriz de transición de Jacobi) y

M −1 b = cj (Vector de Jacobi)

• Si M = Triangular inferior de A, entonces: I − M −1 A = Tg (Matriz de transición de

Gauss-Seidel) y M −1 b = cg (Vector de Gauss-Seidel)

• Si I − M −1 A = (1 − w)I + wTg , entonces: I − M −1 A = TSOR (Matriz de SOR para un

w dado) y M −1 b = wcg (Vector de SOR)

Para construir estás matrices en MATLAB, hacemos lo siguiente:

14
• Para el método de Jacobi: Una vez definida la matriz A, la instrucción diag(A) nos
devuelve un vector compuesto por la diagonal principal de A. Ahora si volvemos a usar
esta instrucción con el vector obtenido, MATLAB nos devuelve una matriz diagonal,
formada por este vector. Es decir, la instrucción diag(diag(A)) nos devuelve la matriz
diagonal de A. Por ejemplo, las instrucciones:

>> A=[2 -1 -1; 2 3 -1; 1 2 3];

>> M=diag(diag(A))

nos devuelven:

M=

2 0 0

0 3 0

0 0 3

Para crear la matriz de Jacobi, debemos usar una matriz identidad de orden 3; esta matriz
se obtiene en MATLAB con la instrucción eye(n), donde n es el orden de la matriz que
deseamos. Por lo tanto la matriz de Jacobi se puede calcular con la instrucción:

>> Tj = eye(3)-inv(M)*A

con la que obtenemos:

Tj =

0 1/2 1/2

-2/3 0 1/3

-1/3 -2/3 0

• Para el método de Gauss-Seidel: Podemos usar la instrucción tril(A), que nos devuelve la
matriz triangular inferior de la matriz A. Con esta intrucción y un procedimiento similar
al descrito para el método de Jacobi, tenemos:

>> Mg=tril(A)

Mg =

15
 2 0 0

2 3 0

1 2 3

>> Tg = eye(3)-inv(Mg)*A

Tg =

0 1/2 1/2

0 -1/3 0

0 1/18 -1/6

• Para el método de Bairstow: Se sigue un procedimiento similar al anterior, usando la

matriz de Gauss-Seidel hallada antes.

El paso siguiente, antes de empezar a iterar es asegurarnos de que los procesos iterativos
convergan. Para esto debemos probar los tres teoremas vistos en clase. En este caso la matriz
no es EDD así que debemos usar los teoremas 2 (normas matriciales) y 3 (radio espectral).
Para lo anterior, podemos usar las siguientes instrucciones de MATLAB:

- norm(T,1) = retorna la norma 1 de la matriz T.

- norm(T,inf) = retorna la norma infinito de la matriz T.
- norm(T) = retorna el radio espectral de la matriz T. Es igual a la instrucción max(abs(eig(T)))
donde eig devuelve los valores propios de la matriz T.

Para nuestro ejemplo:

>> norm(Tj,1)
ans =
7/6
>> norm(Tj,inf)
ans =
1
>> norm(Tj)
ans =

16
 375/401
>> norm(Tg,1)
ans =
8/9
>> norm(Tg,inf)
ans =
1
>> norm(Tg)
ans =
1010/1343

De donde podemos concluir que ambos métodos converjen, el método de Jacobi por su radio
espectral y el método de Gauss-Seidel, además de su radio espectral, también por su norma 1.
Por lo tanto podemos elegir cualquier vector X (0) como punto de partida y empezar a iterar
hasta la convergencia.

Por último se invita al lector a que consulte los programas que se encuentran en la Guía
Básica de MATLAB (disponible en la página del curso), y los use para comprobar los resultados
anteriores.

EJERCICIOS:

Ejercicio 1 Escriba y someta a prueba un programa o rutina que ejecuta el algoritmo de la

bisección, verifique con estas funciones e intervalos:

Ejercicio 2 Encuentre una raíz positiva de

x2 − 4x sin x + (2 sin x)2 = 0

que sea exacta hasta la segunda cifra significativa.

17
Ejercicio 3 Encuentre una raíz de

x8 − 36x7 + 546x6 − 4536x5 + 22449x4 − 67284x3 + 118124x2 − 109584x + 40320 = 0

en el intervalo [5.5, 6.5]. Cambie −36 por −36.001 y repita el ejercicio.

Ejercicio 4 Para cada una de las siguientes funciones, halle un intervalo [a, b] de manera que
f (a) y f (b) tengan distinto signo, y halle raíces aproximadas con un error relativo menor que
10−8 .

Ejercicio 5 Escriba un programa que ejecute el método de Newton, resuelva la ecuación x =

tan x. Encuentre las raíces más cercanas a 4.5 y 7.7.

Ejercicio 6 Se conoce (ver libros referencia del curso) que si el método de Newton se aplica
a una función f para la cual f 00 es continua y f (r) = 0 6= f 0 (r), entonces lim en+1 e−2
n =
n→∞
f 00 (r) / (2f 0 (r)). Como se puede utilizar este hecho en un programa para verificar si la conver-
gencia es cuadrática?.

Ejercicio 7 Resuelva por el método de Newton la ecuación

x3 + 3x = 5x2 + 7

Efectúe diez iteraciones comenzando en x0 = 5, y luego con una tolerancia de 10−8 .

Ejercicio 8 La ecuación
2x4 + 24x3 + 61x2 − 16x + 1 = 0

tiene dos raíces cerca de 0.1. Encuentrelas por medio del método de Newton.

Ejercicio 9 El polinomio p (x) = x3 + 94x2 − 389x + 294 tiene ceros 1, 3 y −98. El punto
x0 = 2 debería ser en este caso un buen punto inicial para calcular cualquiera de los ceros
pequeños por medio de la iteración de Newton. Haga los cálculos y explique lo que sucede.

Ejercicio 10 Use el método de Newton para calcular la única raíz de:

2
x + e−Bx cos(x) = 0

18
Use una variedad de valores de B, por ejemplo B = 1, 5, 10, 25, 50. Entre las elecciones del
punto de partida tomo x0 = 0 y explique el comportamiento anómalo. Teóricamente, el método
de Newton debe converger para cualquier valor de x0 y B.

Ejercicio 11 Use el método de Newton para calcular las raíces reales de los siguientes poli-
nomios, con una exactitud tan alta como sea posible. Estime la multiplicidad de cada raíz
y la velocidad de convergencia, y cuando sea necesario modifique el método para mejorar sus
cálculos.

p(x) = x4 − 3.2x3 + 0.96x2 + 4.608x − 3.456

p(x) = x5 + 0.9x4 − 1.62x3 − 1.458x2 + 0.6561x + 0.59049

Ejercicio 12 Resuelva por el método de Newton para sistemas de no lineales, el siguiente

sistema 
 f1 (x, y) = 1 + x2 − y 2 + ex cos (y)
 f (x, y) = 2xy + ex sin (y)
2

Use valores iniciales x0 = −1 y y0 = 4.

Ejercicio 13 Comenzando en (0, 0, 1), resuelva por el método de Newton para sistemas no
lineales con el sistema 

 xy − z 2 = 1


xyz − x2 + y2 = 2



 ex − ey + z = 3

explique los resultados.

Ejercicio 14 Use el método de Newton para encontrar una raíz del sistema no lineal

 4y 2 + 4y + 52x = 19
 169x2 + 3y 2 + 111x − 10y = 10

Ejercicio 15 Dar aproximaciones de los ceros de los siguientes sistemas con una precisíon de

19
diez cifras decimales

x2 − y2 = 4
a.
e−x + xy = 1

x2 − y − 0.2 = 0
b.
y2 − x − 0.3 = 0

x2 + y 2 − 2 = 0
c. e.
xy − 1 = 0

xy 2 + x2 y + x4 = 3
d.
x3 y 5 − 2x5 y − x2 = −2

Ejercicio 16 Use el método de Newton para aproximar un punto crítico de la función

f (x, y) = x4 + xy + (1 + y)2

Ejercicio 17 Queremos resolver el sistema no lineal

0 = 7x3 − 10x − y − 1

0 = 8y3 − 11y + x − 1

use las instrucciones adecuadas para graficar y compruebe que hay 9 puntos. Aproximar los
puntos de intersección de las curvas con una precisión de nueve cifras decimales.

Ejercicio 18 Elaborar un codigo para dar aproximaciones de los ceros de los siguientes sistemas
con una precisión de diez cifras decimales

0 = x2 − x + y2 + z 2 − 5
a. 0 = x2 + y2 − y + z 2 − 4
0 = x2 + y2 + z 2 + z − 6

0 = x2 − x + 2y 2 + yz − 10
b. 0 = 5x − 6y + z
0 = z − x2 − y 2

20
Ejercicio 19 Resuelva (si es posible) los siguientes sistemas lineales usando los métodos de
Jacobi y Gauss-Seidel. En todos los casos verifique si los teoremas garantizan convergencia de
los métodos.
    
2 1 −3 x −1
    
    
 −1 3 2   y  =  12 
    
3 1 −3 z 0
    
0.1 −0.6 1 x 0
    
    
 −2 8 0.3  y  =  1 
    
1 6 4 z 2
    
4 1 −1 x 9
    
    
 3 2 −6   y  =  −2 
    
1 −5 3 z 1

Ejercicio 20 Use los métodos de Jacobi y Gauss-Seidel para resolver los sistemas:

10x + 5y = 6

5x + 10y − 4z = 25

−4x + 8y − w = −11

−z + 5w = −11

4x1 − x2 − x4 = 0

−x1 + 4x2 − x3 − x5 = 5

−x2 + 4x3 − x6 = 0

−x1 + 4x4 − x5 = 6

−x2 − x4 + 4x5 − x6 = −2

−x3 − x5 + 4x6 = 6

21
Ejercicio 21 Use el método de SOR, con w=0.1, 0.2, 0.3 para resolver los sistemas lineales:

3x − y + z = 1

3x + 6y + 2z = 0

3x + 3y + 7z = 4

4x + y − z + w = −2

x + 4y − z − w = −1

−x − y + 5z + w = 0

x − y + z + 3w = 1

que se puede concluir en cada caso?

Ejercicio 22 Considere el sistema lineal

10x − y = 9

−x + 10y − 2z = 7

−2y + 10z = 6

Encuentre el wop que permite resolver el sistema lineal en el menor número de pasos. Para ello
resuelva el problema por el método de SOR para w = 0.1, 0.2, ..., 1.9. Gráfique w vs. #pasos y
encuentre wop .

22
FUNCIONES EN MATLAB

Estas son algunas de las funciones creadas en MATLAB para resolver algunos de los ejemplos
presentados al comienzo de la guía. Se espera que ustedes entiendan los códigos y puedan
ejecutarlos adecuadamente en MATLAB, para resolver algunos de los ejercicios propuestos.
De la misma manera se espera que sirvan como modelo para que ustedes realicen sus propias
rutinas.

function biseccion(f,a,b,tol)
f=inline(f);
% inline convierte a f en una función que depende de x
n=ceil(log((b-a)/tol)/log(2));
% ceil toma el entero mayor cercano obtenido por la cota de error del método
fprintf(’\n it. a b x f(x) \n’)
for i=1:n
x=(a+b)/2;
fprintf(’%3.0f %10.10f %10.10f %10.10f %10.10f \n’,i,a,b,x,f(x))
% muestra en cada paso los valores de la iteración, de a, de b, de x y de f(x)
% la instrucción %10.10f significa dejar 10 espacios y colocar el número con 10 decimales
% la instrucción \n se emplea para cambiar a línea nueva
if f(a)*f(x)<0
b=x;
else
a=x;
end
end
fprintf(’\n La aproximación de la raíz es: %3.10f \n\n’,x)

function newton(f,x0,tol)
sym x;

23
% convierte a x en una variable simbolica para poder derivar la función
df=diff(f,’x’);
% deriva con respecto a x
f=inline(f);
df=inline(char(df));
% inline convierte a f y su derivada df en una funciones que dependen de x
% char transforma a la derivada como una cadena de caracteres para poder
% definirla como función
fprintf(’\n it. x f(x) \n’)
i=0;
fprintf(’%3.0f %10.10f %10.10f \n’,i,x0,f(x0))
x1=x0-f(x0)/df(x0);
while abs(x0-x1)>tol
i=i+1;
% contador de iteraciones
fprintf(’%3.0f %10.10f %10.10f \n’,i,x1,f(x1))
x0=x1;
x1=x0-f(x0)/df(x0);
end
fprintf(’\n La aproximación de la raíz es: %3.10f \n\n’,x1)

function puntofijo(g,x0,tol)
g=inline(g);
fprintf(’\n it. x g(x) \n’)
i=0;
fprintf(’%3.0f %10.10f %10.10f \n’,i,x0,g(x0))
x1=g(x0);
while abs(x0-x1)>tol
i=i+1;
fprintf(’%3.0f %10.10f %10.10f \n’,i,x1,g(x1))

24
 x0=x1;
x1=g(x0);
end
fprintf(’\n La aproximación del punto fijo es %3.10f \n\n’,x1)

function newtonnl(f1,f2,X0,tol,mx)
syms x y;
j=jacobian([f1;f2],[x y]);
% obtiene la matriz jacobiana para f1 y f2 en las variables x y y
F1=inline(char(f1),’x’,’y’);
% los paremetros ’x’,’y’ permiten definir la función en terminos de dos variables
F2=inline(char(f2),’x’,’y’);
J1=inline(char(j(1,1)),’x’,’y’);
J2=inline(char(j(1,2)),’x’,’y’);
J3=inline(char(j(2,1)),’x’,’y’);
J4=inline(char(j(2,2)),’x’,’y’);
% define cada función dependiente de las variables x y y
E=tol+1;
% inicializamos una variable para medir la distancia entre dos aporximaciones
% como tol+1 para que el cilo empiece
C=0;
% nos permite contar las iteraciones que vamos realizando de modo que no
% sobrecen a mx que es el número máximo de iteraciones.
F=zeros(2,1); J=zeros(2,2);
% inicializa el vector columna para que el producto este bien definido
% e inicializa la matriz jacobiana en ceros
while E>tol & C<mx
C=C+1; % cuenta la iteración
F(1)=F1(X0(1),X0(2)); F(2)=F2(X0(1),X0(2));
fprintf(’n=%1.0f x=%12.10f y=%12.10f ’,C,X0(1),X0(2));

25
%muestra paso de la iteracion, la aproximación para x y y
fprintf(’f1(x,y)=%12.5e f2(x,y)=%12.5e \n’,F(1),F(2))
%muestra el copmportamiento de las funciones del sistema (esperamos sean casi cero)
J(1,1)=J1(X0(1),X0(2)); J(1,2)=J2(X0(1),X0(2));
J(2,1)=J3(X0(1),X0(2)); J(2,2)=J4(X0(1),X0(2));
H=-J\F;
X1=X0+H;
E=norm(X1-X0);
X0=X1;
end

26